24、交通标志检测的卷积神经网络技术解析

交通标志检测的卷积神经网络技术解析

1. 交通标志检测的实时性挑战

在高级驾驶辅助系统（ADAS）中，实时检测交通标志至关重要。与离线应用不同，ADAS需要算法能够实时执行任务。然而，检测模块在处理高分辨率图像时，比分类模块消耗更多时间。为了定位距离达25米的交通标志，检测模块必须分析高分辨率图像，这成为实现实时检测的主要障碍。

例如，在一张宽度为1020像素的图像中，假设公交车长度约为12.5米，箭头所指交通标志与相机的距离约为20米，此时标志的边界框接近20×20像素。如果汽车在城郊道路上以80km/h的速度行驶，每秒将行驶22米。因此，检测模块必须每秒分析多帧图像，以应对汽车的高速运动。

在实际应用中，汽车可能配备立体相机，利用距离信息可以丢弃大部分非交通标志像素，从而加快检测速度。此外，检测模块还可以针对特定汽车进行校准，利用校准信息忽略非交通标志像素。但本文考虑的是在任何汽车前方安装单个彩色相机的更通用情况，这意味着检测模块必须分析图像上的所有补丁来识别交通标志。

2. 传统特征检测方法的局限性

我们曾使用HOG和LBP特征结合线性分类器和随机森林分类器训练了单独的交通标志检测器。然而，先前的研究表明，基于这些特征的检测器存在精度和召回率较低的问题。更重要的是，使用CPU在高分辨率图像上应用这些检测器是不切实际的，因为处理整个图像需要很长时间。而且，在GPU上实现基于这些检测器的全扫描窗口方法以加速检测过程也并非易事。

3. 轻量级卷积神经网络的提出

为了解决上述问题，我们开发了一种轻量级但准确的卷积神经网络（ConvNet）用于检测交通标志。该ConvNet受Gabor特征提取算法